MDLMA

MDLMA - Multi-task Deep Learning for Large-scale Multimodal Biomedical Image Analysis

Figure 1

Bildgebende Verfahren zur Charakterisierung biologisch abbaubarer Implantate auf Mg-Basis im Knochen und deren multimodale Registrierung

MDLMA ("Multitasking Deep Learning for Large Multimodal Biomedical Image Analysis") ist ein Verbundprojekt des Helmholtz-Zentrums Hereon, des Deutschen Elektronen-Synchrotron DESY, der Universität zu Lübeck (UzL) und der Firma Syntellix. Es wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert, Förderkennzeichen 031L0202A. Das Projekt wird von Prof. Dr. Regine Willumeit-Römer und Dr. Julian Moosmann geleitet und koordiniert.

Um biologisch abbaubare Implantate auf Mg-Basis bezüglich ihrer mechanischen, biologischen und Abbau-Eigenschaften zu optimieren, die Mechanismen der Wechselwirkungen zwischen Mikrostruktur, mechanischen Eigenschaften, Biologie und Abbau zu verstehen, und Implantate für bestimmte Anwendungen maßzuschneidern, müssen große Mengen multimodaler biomedizinischer Bilddaten analysiert werden. Die Modalitäten umfassen die laborbasierte Röntgen-Computertomographie (CT), die Synchrotronstrahlungsbasierte Mikrocomputertomographie (SRμCT), die Magnetresonanztomographie (MRT), die Röntgenkleinwinkelstreuung (SAXS) und die Histologie. Zu den hier betrachteten, häufig wiederkehrenden Aufgaben der Bildanalyse zählen die Registrierung, die Segmentierung bzw. Klassifizierung und die Bildverbesserung (z. B. Artefakt- oder Rauschreduzierung) unter Verwendung von Deep-Learning (DL) Ansätzen. Darüber hinaus werden neue Multi-Task-DL-Methoden entwickelt, damit verschiedene komplementäre Aufgaben ganzheitlich miteinander kombiniert und Informationen über die einzelnen Analyseaufgaben hinweg übertragen werden können. Um die Anwendung dieser Multi-Task-Lösungen auch für andere Bereiche, Modalitäten und Aufgaben zu ermöglichen, wird eine einheitliche Softwareplattform entwickelt, welche eine schnelle und effiziente Implementierung und Anwendung von Datenanalyseaufgaben ermöglicht.

Figure 2

Schematische Übersicht der Bildgebungsmodalitäten, Datensätze und Analyseaufgaben